作者：董指导
出品：远川研究所科技组
美国有两个大会，格外受国内从业人士关注，一个是伯克希尔哈撒韦的股东大会，投资人士踊跃前往聆听股神巴菲特的经验智慧；另一个则是亚马逊云服务(AWS)的re:Invent全球大会。
AWS作为全球规模最大、技术领先的公司，从2012年起，每一年都会召开峰会，分享其科技方向、业务规划；这个峰会成为行业标杆，也影响着各行各业的发展。因此，每一年峰会上，都会有全球的开发者、观察者、企业客户等，前来了解云服务的前沿科技。
re:Invent全球大会往常都需要1799美金注册费，但仍一票难求。而今年，亚马逊云则首次将峰会搬到了线上，并且完全免费向全球公开。更难得的是，减价不减质。今年的峰会从12月1日召开，整整三周时间、百余场分享，全面阐述了亚马逊云在“重塑”之路上的坚定步伐。
云业务由亚马逊做大，既是偶然也是必然。电商流量的波峰波谷，导致弹性计算成为刚需。而亚马逊的坚定投入、对需求本质的追求，则促使云业务从自用走向了市场，开始重塑IT成本。
比如当年率先使用AWS的奈飞。2008年，随着海量视频快速上线，奈飞的IT资源撑到了极限。随后又遭遇了一场自然灾害，导致其自建的数据中心几乎三天都处于休克状态。而继续扩大数据中心建设，将会带来极大的IT支出。亚马逊云，通过弹性扩容、按需收费，完美解决了奈飞的忧虑。
可以说，奈飞发展途中一个重要选择，便是从自有投资数据中心，转向了采购云服务，重塑了自己的IT成本。而这个“重塑”这个技能，也是每家公司要实现基业长青的重要措施。
根据统计，50年前的《财富》500强企业，如今只剩下17%、83家还在榜单上；20年前的《财富》500强企业，如今也只有50%还在榜单上。要保持活力，必须能够自我革命，不断重塑，尤其能采用最先进的技术，来武装企业，来降本增效。这在疫情期间更为重要，也是AWS所持续打造的优势。
比如，在数据库方面，传统的数据库价格不菲、配置昂贵、但又扩容困难。而AWS最新推出的数据库服务Aurora Serverless v2，可以做到实时扩容，在不到1秒的时间内，即可瞬间扩展到支持几十万个数据处理事务。如此，开发者不需要买大量服务器来匹配峰值的运算需求，而是按需扩容，可以节省高达90%的成本。
这个量级，在业内领先，也推动了数据库服务的演进。与此同时，已经有35万个数据库迁移到了AWS，以应对消费经济激增、业务流量频发。而且AWS还以开源形式推出了Babelfish for PostgreSQL，让用户直接在云上运行SQL Server应用程序，降低传统数据库开支，提升数据库上云后的应用交付效率。
在数据分析方面，一直有个痛点，不同端的数据难以流动分析，就像成千上万个太平洋小岛被水面隔绝，难以形成高经济价值的共同体。而这次峰会，AWS也推出了Glue的新功能AWS Glue Elastic Views。它可以从多个不同数据源创建实例化视图，简单、高效地将数据孤岛连接起来，形成统一的数据视角。
当数据源发生变化时，AWS可以在在几秒钟内完成同步。让数据像血液一样流动起来，为企业业务运转提供生命力。
而这几年，容器技术大为流行，但容器和无服务器应用都由非常小的代码段组成，每个代码段通常由不同的团队开发和运维，有独立的基础架构。随着业务发展，在基础设施、开发、运维等团队之间，协调架构配置、代码部署和运维监控等工作也日益复杂，会拖慢应用开发速度。因此，管理容器又成了一个难题。
针对这种情况，AWS推出了容器开发利器AWS Proton，可以提供了更细颗粒度的云服务应用部署管理工具。只需要建一个调用栈，就可以自定义模板，填上相应参数。AWS的容器工具，相当于云服务界的“一键”快捷功能，省去了平时多个团队在多个环节的繁杂流程。
数据库、数据分析和容器开发这三个工具，只是AWS强大武器库的冰山一角。细看这三个工具，都是那种不起眼、却直击痛点的云服务利器。而这些工具的出现，都改变了企业IT部署的形态、成本，也大幅提高了企业的效率。让AWS成为值得信赖的“大管家”。
Alpha Go打败李世石带来的震撼才刚刚过去，无人驾驶等技术又借着新能源的热潮成为社会焦点。AI正在各行各业快速普及，据德勤数据显示，到2025年，世界人工智能市场将超过6万亿美元。而在这大潮中，机器学习则是核心研究领域之一，覆盖89%的人工智能专利申请和40%的人工智能相关专利。
所谓人工智能，先有人工，再有智能。这其中的一个核心问题在于，人才的增长，跟不上AI的发展。比如在我国，人工智能人才的供求比例为1：10，缺口超过500万。对于那些传统产业以及创新型小企业而言，使用机器学习、完成AI转型是一项“急切却又困难”的梦想。
而这次发布会上，亚马逊依托20多年的经验，公布了四大举措，为机器学习扩圈，为中小企业圆梦。
首先，提供开箱即用的工业领域机器学习解决方案。市面上，开源的算法与公开论文并不少，但对于AI的工业化应用而言，漫长的调参与针对特定配置修改，其实才是影响算法最终可用性的根本保障。为了降低用户的部署成本，AWS发布了五项服务，就像家用电器一样，开箱即用。
其中，Amazon Monitron可以为用户提供从传感器、网关到机器学习服务组成的端到端机器监控系统，检测异常并预测何时需要维护工业设备；Amazon Lookout for Equipment面向已经拥有传感器的客户，提供机器学习模型并返回预测结果，检测异常设备行为。这两项服务，可以支持预测性维护。
AWS Panorama一体机可以连接到工业场所的网络中，自动识别摄像头数据流，与工业摄像头进行交互。AWS Panorama软件开发套件（SDK），方便工业相机制造商在新相机中嵌入计算机视觉功能。这两项服务，可以改善工业运营和工作场所安全。而Amazon Lookout for Vision通过机器学习技术为工业客户提供高精度、低成本的产品质量异常检测解决方案。
其次，针对不同需求客户，提供包罗万象、有针对性的工具箱。
工具箱包含三个层面：针对技术能力超强的客户，主要提供机器学习框架、处理器等工具集的底层；针对技术能力较强的客户，通过提供包含各种工具的全托管机器学习集成开发环境，帮助降低机器学习门槛；而针对技术能力相对薄弱的客户，AWS开箱即用的AI服务则可以实现各种AI业务需求的快速部署。
再次，将机器学习能力跟数据库进行嫁接，把机器学习覆盖人群拓展到数据库开发者和数据分析师。
一般来说，数据库开发者、数据分析师群体的人数，比机器学习开发人员群体大得多，而且也更容易培养，因此，“争取到他们”，将会大力促进机器学习发展。因此，AWS推出了包括Aurora ML、Athena ML、Redshift ML等在内的多项功能。让数据库开发者、数据分析师沿用数据库查询的方式，让他们的机器学习想法落地到业务应用中。
比如，当电商公司做出海业务时，需要为多国用户制定相应语言的服务，这就需要把数据库中的商品信息变成多种语言。在传统数据库模式下，这个工作量会很大。但是，通过AWS的新服务，数据库开发者只管查询商品信息、选择多语种翻译，返回的结果就会自动包含商品信息的多语种翻译。难度下降、效率提升。
再比如要了解公司业务增长时，在传统模式下，开发者需要在模型中预先定义增长率、再更新模型、处理数据，整个流程可能是几天甚至几周。但依托AWS的服务，可以采用自然语言，直接在查询框中输入问题，几秒钟之内就可以得到高度准确的答案。
最后，发展机器学习的中间力量，不断提升Amazon SageMaker的性能。
Amazon SageMaker是面向机器学习开发者的集成开发环境、全托管服务。它依托多项工具，化繁为简，使开发人员和数据科学家能够从根本上更轻松、更快速地构建、训练和部署机器学习模型。可以说，SageMaker性能越提升，机器学习发展也会越快。
因此，AWS也在不断提升托管服务。在过去一年，SageMaker交付了50多项新功能。而在今年的re:Invent大会上，AWS再次发布数据特征提取器Data Wranger，数据特征存储库Feature Store，自动化工作流Pipelines等9项新功能。
比如Data Wrangler内置了300多个数据转换器，让客户无需编写任何代码，就可以机器学习用到的特征进行规范化、转换和组合。Pipelines是第一个专为机器学习构建的、方便易用的CI/CD（持续集成和持续交付）服务。大型复杂深度学习模型的分布式训练，将当前的速度提升了两倍。
这些不断更新的功能，深受用户喜欢。在推出的3年内，已经拥有了3M、ADP、阿斯利康、Avis、拜耳等几万家客户。AWS将积累了二十余年的机器学习经验全部上云，帮助无数客户完成了更快、更高效向AI转型的步伐，重塑AI进程。
尽管上云的趋势是显著和必然的，但过程却是曲折的。比如有些领域的一些工作负载需要在本地保留数年，有些应用对网络延迟非常敏感，而且需要接近本地资产，例如金融高频交易、制造支持系统、在电信边缘提供网络功能虚拟化 （NFV）服务等等。在这些领域，哪怕是一秒钟的延迟，带来的效果可能都是天差地别。
总结起来一句话，用户希望在本地也能用上AWS的工具，运行计算、存储等功能，享受到同等便利。在意识到用户需求和现有公有云产品之间的差异后，AWS认为，一切要从用户需求出发，于是有了“混合云”。
在业内，不少人认为混合云就是本地基础设施加上云，但AWS并不认可。AWS团队对于混合、本地（on-premise）再次进行了思考，本地不仅仅局限在本地数据中心，工厂、旅店甚至偏远地区的农林田地的IT需求，都应该算作本地。
于是，混合基础设置便演化为“云+各种边缘节点”。AWS便按照这个思路开始重塑混合云领域，围绕着用户需求，层层迭代，推出了一系列服务。
在过去几年中，AWS提供了Amazon VPC (虚拟私有云)、AWS Direct Connect（云直连）和Amazon Storage Gateway（存储网关）等服务，方便客户在使用AWS的同时运行本地数据中心。
而许多用户的本地数据中心是基于VMware虚拟化的，因此，为了减少用户学习成本，2017年，AWS与VMware协作，发布VMware Cloud on AWS，客户可以在AWS使用同样的VMware软件和工具，管理其AWS上的基础设施。
与此同时，对于必须驻留在本地的工作负载，客户也希望能够将AWS部署到本地。于是，在2018年，AWS开创式地推出了Outposts。这是一款和AWS云数据中心一样的服务器硬件，上面有计算、存储、数据分析等AWS服务，而且，仍然由AWS全托管，负责安装和维护等等。用户可以使用跟AWS云上相同的API、控制面板、工具、功能。
AWS Outposts有两种形态：一个 AWS原生形态（现在已经可用），它允许客户在Outposts使用与AWS公共区域完全相同的API和控制面板；另一个形态是VMware on AWS Outposts。借助AWS Outposts，客户可以选择计算优化、存储优化或图形优化的EC2（弹性计算云 ）实例，这些实例可以有本地存储，也可以没有本地存储，还可以选择EBS（弹性块存储）卷。
针对时延敏感领域，AWS推出了本地区域，它是AWS区域的，可以让计算、存储和数据库服务靠近大城市，将本地终端用户的访问延迟进一步降低。基于5G网络，AWS Wavelength可以实现5G全程加速，让用户释放5G低延时的商业红利。
而针对环境恶劣、网络连接有限的地区，例如山区、船舶等，AWS推出了Snow系列设备，可以连续计算、数据存储和数据转送。搜集数据完成之后，可以带到总部去处理。
在本次re:Invent大会上，AWS CEO Andy Jassy宣布了1U和2U两款小尺寸的Outposts，1U尺寸像Pizza一样大小，和经典型号功能一模一样，但体积缩小至1/40。小尺寸的Outposts可以很好地适应医院、饭馆、商店、工厂等等，这些IT设备空间受限的场所。
可以说，AWS的混合云，并不是一个“本地+云简单混合”的结果，而是一个不断迭代的过程，就像打怪升级一样，不断遇到挑战、解决挑战。
AWS从问世到实现第一个100亿美元收入，用了123个月；第二个100亿美元增长，用了23个月；第三个100亿美元增长，则用了13个月；如今，第四个100亿美元增长，只用了12个月。
收入快速增长的背后，源自于AWS的不断“重塑”。2011年，AWS发布了80多项重要服务和功能；2012年，发布了近160项；2013年，发布280项；2014年，发布516项；2015年，发布722项；2016年，发布1017项；2017年，发布1430项；2018年发布1957项；2019年，发布2345项。
今年re:Invent，AWS在计算、存储、数据库、数据分析、容器、机器学习运维、工业机器学习等多个方面推出了143项更新。根据Gartner在2020年8月发布的《2019年全球公有云IaaS和PaaS市场份额报告》，AWS的市场份额为45%，超过第二、第三、第四、第五名的总和（34.3%）。
而事实上，云服务也仍处于发展早期，Gartner发布的IT关键指标数据《2020：Industry Measures》显示，在全球IT总支出中，云上支出仅占4%。因此，无论是云产业，还是AWS，都会迎来广阔增长空间。而驱动力，则来自于创新。
创新很困难，而创新者不断颠覆自己来实现创新，则更为困难。AWS用云颠覆了传统IT，但仍以重塑姿态，不断颠覆自己。而这个秘诀，也许正是源自于贝索斯（Jeff Bezos）的思考“keep the vitality of Day 1”：永远客户至上customer obsession。
相关文章
